【技术实现步骤摘要】
本专利技术涉及计算机，主要涉及深度学习和功率控制领域。
技术介绍
1、为了解决上述问题，研究员提出了认知无线电技术，其是为了解决当前频谱资源紧张以及频谱分配不合理的问题。与传统的静态分配机制不同，动态频谱资源分配基于授权用户对当前频段的使用情况，非授权用户则感知学习频段的具体状态，在恰当的时机以合适的功率接入频段进行通信，从而提高频谱利用率。设计合理的动态资源分配算法是当前无线通信中的重要研究问题。传统的功率控制算法大多面临迭代多且计算庞大的问题。将其与机器学习相结合，利用机器学习以数据驱动为核心的方法，在完成前期的准备工作后，可以快速准确地为通信用户提供功率控制方案。
2、
3、传统的功率控制方法多是以模型为驱动，其需要将问题建模为一个易于处理且精确的数学模型，多数情况下需要完全的信道状态信息(channel state information，csi)并且会面临计算繁琐等问题，因而，传统的功率控制方法实时性低，工程实现困难。然而基于数据驱动的方法，比如基于深度学习的方法，使用大量的数据，寻求数据本身的关联，从而可以为用户提供更加有效实时的功率控制。因此，本专利技术提出的认知无线电中基于消息传递图神经网络的功率控制方法具有非常重要的理论意义，有效优化次用户的功率分配以提高用户的能量效率，提高系统的实时性，为动态频谱共享技术走向实际工程应用提供理论和技术保障。
技术实现思路
1、专利技术目的：在具有一个主用户和多个次用户复杂背景的认知无线网络中，在确保主用户
2、技术方案：本专利技术提出了一种认知无线电中基于消息传递图神经网络的功率控制方法，用于在多用户的复杂背景下，在保证主用户正常通信的前提下，提高次用户的通信质量和分配各用户功率的效率，主要包括以下步骤：
3、s10：实验以一个主用户和多个次用户进行建模，以高斯白噪声作为背景噪声，通过两个不同的随机种子seed1和seed2分别生成五组符合正太分布的信道增益数据与一组符合正太分布的信道增益数据，并将其作为原始数据输入；
4、s20：将s10中通过随机种子seed2生成的信道增益作为输入，使用wmmse算法对其进行计算，得到wmmse算法下的各次用户的分配功率；
5、s30：将s10中seed1生成的信道增益矩阵进行处理，得到训练数据，将seed2生成的信道增益进行处理，得到测试数据，并且无需对数据进行贴标签处理；
6、s40：搭建消息传递图神经网络(mpgnn)内部结构，包括多层感知机层(multilayerperceptron，mlp)、消息传递网络层、前馈网络层。初始化mpgnn网络的结构参数主要包括消息传递参数、优化函数、学习率等等；
7、s50：将处理得到的训练数据送入到mpgnn模型中进行训练，经过感知机层、消息传递层和前馈网络层后得到网络的输出，即各次用户的分配功率；
8、s60：在对无标签的训练集进行训练的过程中，我们应该根据训练的损失函数来计算损失值，并将损失值绘制为损失曲线，然后根据损失曲线的趋势来执行s40，不断调整mpgnn 里面的参数，得到更好的次用户功率分配的结果；
9、s70：将测试集中的测试数据送入已经学会分配的mpgnn模型中得到测试的次用户分配功率的结果，对网络分配的功率进行速率和计算，并且对s20中wmmse算法分配的功率进行速率和计算，将两个不同方法计算得到的速率和进行对比得到使用的mpgnn模型性能的好坏。
10、优选地，所述步骤s20包括如下wmmse算法子步骤：
11、s2001：初始化且
12、s2002：根据初始化的的值计算和
13、
14、其中，hii是次用户i发射机到接收机之间的信道增益，hij是次用户j的发射机到次用户i的接收机之间的信道增益，hi0是主用户的发射机到次用户i的接收机之间的信道增益，p0是主用户的发射功率，ni是高斯白噪声，k是次用户数量，pmax是次用户的最大发射功率。
15、s2003：将三个初始值带入目标中，对进行更新；
16、s2004：设置以下条件：
17、
18、其中，ith是干扰阈值，γi是次用户i正常通信的门限值，h0i是次用户i的发射机到主用户的接收机之间的信道增益。
19、s2005：当计算得到的三个参数满足s2004中的条件时，可以求得当前环境下次用户的最优功率若不满足条件，则重复上一步继续执行。
20、优选地，所述步骤s30包括如下内容：
21、s3001：根据主用户和次用户的数量之和来生成两个不同用户之间的链路信息，即生成边连结特征。
22、s3002：将各用户本身的发射机到接收机生成的信道增益矩阵和次用户位置权重矩阵进行拼接，将拼接后的矩阵作为节点特征。
23、s3003：根据用户之间产生的链路信息，将两个不同用户之间相互产生的信道增益矩阵作为边特征。
24、s3004：通过构造器将节点特征、边连结特征、边特征建立为图数据，且将图数据划分为训练数据和测试数据。
25、优选地，所述步骤s40包括如下内容：
26、s4001：将步骤s30处理得到的训练数据中邻接节点特征和边特征进行拼接，将拼接后的数据送入一个三层mlp1中，三层mlp1的节点数目为4、12和32，其所用的激活函数为relu。
27、s4002：将三层mlp1输出的数据进行max聚合操作，将邻接节点传递过来的信息聚合到中心节点上。
28、s4003：将max聚合输出的数据和中心节点特征进行拼接，对拼接后得到的数据进行更新，更新的方式为送入到一个三层mlp2中，mlp2的节点数目为34、11和1，其所用的激活函数为relu。以第k层中第i个节点为例，s4001到s4003的表达式如下：
29、
30、其中，n(i)为中心节点i的邻接节点集合，ej，i是节点j与节点i之间的边特征，是第 k-1层中第i个节点的邻接节点，是第k-1层中第i个中心节点。
31、s4004：为了保证功率输出在0～1之间，使用sigmoid函数对mlp2的输出进行处理，即得到第k个消息传递网络层中第i个节点的输出。输出表达式如下：
32、
33、s4005：调用消息传递中的启动函数，开始消息传递，依次循环进行节点消息变换，消息聚合，节点消息更新。
34、s4006：在前馈网络层中把两层消息传递网络层作为隐藏层，一层消息传递网络层作为输出层，将训练数据送入mpgnn网络中得到结果。
35、优选地，所述步骤s60包括：由本文档来自技高网...
【技术保护点】
1.本专利技术设计认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：S20包括如下WMMSE算法子步骤：
3.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：S30包括如下步骤：
4.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：S40包括如下步骤：
5.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：S60包括：由于训练数据是无标签的，因此使用了特殊的损失函数来对网络参数进行优化，将次用户速率和负值作为网络的损失函数来使用，之后使用Adam优化方法对取反的速率和进行优化，以此得到网络输出的最优功率，损失函数表达式如下：
6.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：S70包括：MPGNN网络输出的结果和WMMSE算法输出的结果分别通过速率和函数进行求解，若网络输出结
...【技术特征摘要】
1.本发明设计认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：s20包括如下wmmse算法子步骤：
3.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：s30包括如下步骤：
4.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：s40包括如下步骤：
5.根据权利要求1所述的认知无线电中基于消息传递图神经网络的功率控制方法，其特征在于：s60包括：由于训练数据是...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。